Een team dat Amazon SageMaker gebruikt, merkt dat het standaard ingebouwde beeldclassificatie-algoritme (ResNet) een lage nauwkeurigheid geeft en wil in plaats daarvan een Inception-architectuur gebruiken. Welke benaderingen stellen hen in staat om te trainen met Inception? (Kies twee.)

De correcte antwoorden zijn "Een Docker-container leveren die een TensorFlow Estimator-implementatie met een Inception-netwerk uitvoert en deze gebruiken voor training" en "Aangepaste trainingscode schrijven in SageMaker die de TensorFlow Estimator gebruikt en een Inception-netwerk laadt voor training." Amazon SageMaker biedt flexibiliteit om aangepaste modellen te trainen. Optie 3 is correct omdat je een eigen Docker-container kunt bouwen met daarin je aangepaste trainingslogica (bijvoorbeeld met een Inception-netwerk in TensorFlow) en deze kunt uitvoeren op SageMaker. Optie 4 is ook correct, aangezien je direct in SageMaker aangepaste Python-code kunt schrijven die gebruikmaakt van de TensorFlow Estimator API om een Inception-model te laden en te trainen. De andere opties zijn onjuist: Het aanpassen van het ingebouwde algoritme (optie 1) is niet mogelijk; deze zijn door Amazon beheerd en niet direct aanpasbaar. Het openen van een supportcase om een standaardalgoritme te wijzigen (optie 2) is geen realistische oplossing; Amazon zal geen algemene wijzigingen aanbrengen voor individuele verzoeken. Het installeren van code via apt-get op een EC2-instantie die als Jupyter Notebook wordt gebruikt (optie 5) is geen schaalbare of geoptimaliseerde manier om te trainen in SageMaker; het maakt geen gebruik van de beheerde trainingsmogelijkheden van SageMaker.